创业赢销阁，数据化运营浅谈

经常提到用户运营，听到运营手段和技术需求。

我总感觉他们思路也不清晰。

假如我们要上线一个产品，那么产品上线前如何做目标用户特征分析，哪些用户会成为我们拉新的重点对象呢？

对于这个阶段，其实业务经验，调查问卷，竞品分析等比如数据驱动的手段更重要。

假如该公司原本有一款类似产品，那么就可以研究这款产品的用户。

通过分析和挖掘历史数据，来看看这些用户有什么特征。

假设游戏公司上线一款新游戏，可以参照之前公司的类似游戏，通过历史数据研究找到相关用户特征。

比如发现很多二三线的小城市的年轻人喜欢玩这种游戏。

再假设影视公司上映一部电影，可以看看之前类似电影用户有什么特征。

比如发现某几个大学城的学生喜欢看这种电影，那么就可以重点在那边宣传一下。

产品上线后，数据的作用就更大了。

通常研究用户各种特征，来搭建一些目标用户的预测模型。

比如用户续费模型，用户流失模型等等。

这里我想谈的是，业务规则和模型的关系。

其实业务规则是一种弱模型，通常是人根据经验的总结分析。

对用户某些维度设定一些阈值，一层一层过滤或者筛选，得到一群用户。

缺点主观性影响很大，难以综合更多的维度，事前无法评估效果，但是实现成本低。

而模型则充分利用了数学的优势，可以考虑更多的维度。

通过优化的方法来寻找目标用户，而且事前可以做效果评估。

预测模型搭建完，有什么用呢？

比如用户流失模型，我们的模型根据某个用户的行为数据分析。

判断这个用户下个月可能会流失，那么就需要运营手段来设法挽回这个用户。

比如视频网站可以给这个用户送免费观影券，游戏可以给用户送道具等。

做目标用户模型，方法有很多种，最常见的就是用有监督的学习方法。

以用户流失模型为例。

可以挑一些这个月流失的用户和没有流失的用户，以及这些用户上个月的行为数据。

数据分析师和业务方想一些影响流失的指标（就是特征工程），以此来训练一个模型。

当然，还有其他很多方法，比如我们通过统计或者聚类的方法。

我们的付费用户有50%的用户都是体育用户，那么其他非付费的体育用户是否是潜在的付费用户呢？

另外，值得一提的是，模型优化也要有个程度。

现实应用中，并不是每个模型，都能做到很高的准确率的，即使能做到，但是如果要花费很高成本（人力物力时间）的话，也不值得去做。

用户运营的核心，就是用最小的代价提升转化率。

当总体准确率达不到很高的情况下，要么就牺牲召回率，抓住部分用户即可，要么就放弃该模型。

用户流失模型。

通常根据预测概率值，对这些用户再分几个群体。

比如概率值为0.9-1.0的用户用运营手段A计划，对概率值0.7-0.9的用户用运营手段B计划，其他的用户不用任何运营手段。

对于模型能做到什么程度和要做到什么程度的把握，是高级数据分析师和中低级数据分析师的一大区别。

运营效果分析：通过运营效果，来反思模型和运营手段。

发现你这个用户快流失了，那么给你发了10块钱红包，而你之后创造的价值只有1块钱。

那么作为运营人员就该思考，你这种用户是否直接放弃掉，不采取任何挽回措施好呢？

数据化运营，需要全员学习数据化思考，需要业务和数据技术的结合，需要业务方和数据分析师互相学习。

比如业务方根据经验，可以给数据分析师一些建模的指标，数据分析师可以教业务方如何数据化思考。

数据分析师们既要有数据的信仰，但又不能过于迷信算法。

对你有用就分享转发吧。

https://mp.weixin.qq.com/s?src=11&timestamp=1555469263&ver=1551&signature=gNMWdg6VYJEhLTc3Rw9Q-g-Zj-vVWYWvg2L9JBYIBOHc6q-rLwuUmx2Ad1Ixn7AyjpONPRXO6lfYir9awRE7lC8*uiB4S4LvQOEWuh9OcVJ5NGsoZkbMVpLFiNYnvm-6&new=1